【每周一本书】之《游戏数据分析实战》:盛大游戏数据分析专家亲历16年的实战经验分享

【数据猿导读】《游戏数据分析实战》贯穿整个游戏生命周期,提供了丰富的数据分析案例,从预热到封测,再到公测, 均为作者在实际工作中经历的真实案例。案例分析包含数据来源、分析方法、分析过程、分析结论及小结。通过学习本书不但能较深入地学习数据分析方法,还能了解到运营和市场的相关知识


编辑 | abby

官网 | www.datayuan.cn

微信公众号ID | datayuancn


从游戏产业诞生开始,数据分析就一直伴随游戏的研发和运营的全过程。 2001 年,盛大网络通过《热血传奇》开启了中国网络游戏产业。网络游戏的 24 小时在线和高度的用户互动,为游戏数据分析提供了前提条件;通过数据分析输出的结果,及时有效地反馈到游戏的研发设定和线上社区,形成了良性和有效的循环。


早在2003年,盛大网络向行业输出了 PRAPA 分析模型,针对游戏的用户推广(Promotion)、注册用户(Register)、活跃(Active)、付费(Pay)、平均用户收益(ARPU)进行有效的分析指导,为游戏行业的成熟提供了标杆。在当时的盛大内部,我们针对游戏的用户体验瓶颈环节,设立“卡外掉充安”(卡机、外挂、掉线、充值、安全)专项,通过数据分析不断进行验证和调整,使得用户体验满意度持续行业领先。


同时,游戏数据分析还指导着产业变革。在2005年,盛大率先变革游戏商业模式,从之前的时长计费变为道具收费,这意味着之前的逾10亿元年收入归零后重新开始。在此之前,公司内部已进行了超过半年的数据分析和业务试点,最终全面施行,深刻影响了游戏产业。伴随数据分析技术的发展、游戏形态从端游到手游的进化、渠道与社交网络的演进,基于大数据的用户画像和数据多维交叉分析,为游戏的精细化运营提供了新的契机和动力。


而《游戏数据分析实战》的作者黎湘艳就是盛大游戏数据分析专家,从事游戏行业16年,历经多种岗位,亲历了中国游戏行业从萌芽到蓬勃发展的历程。她在本书中集结了她完整的数据分析思想及50多个游戏项目数据支持的积累提炼。


《游戏数据分析实战》贯穿整个游戏生命周期,提供了丰富的数据分析案例,从预热到封测,再到公测, 均为作者在实际工作中经历的真实案例。案例分析包含数据来源、分析方法、分析过程、分析结论及小结。通过学习本书不但能较深入地学习数据分析方法,还能了解到运营和市场的相关知识。


该书主要分为三部分:


第一部分:主要介绍游戏数据分析相关指标体系,通过这套体系,可以初步监控游戏整体运营情况;


第二部分:主要介绍游戏正式发行前期的市场调研、渠道用户质量分析、竞品分析及投资收益预测,对游戏品质进行定位,评估正式上线后的效果;


第三部分:主要对游戏正式发行后的用户流失、活跃用户分类、付费习惯、版本迭代效果、区服合并等主要问题进行深入探讨,实现游戏的精益化运营。


该书的特色是以详细案例为主,通过SPSS、Excel 等工具逐步展示实施步骤,用手把手的方式让读者快速掌握游戏数据分析方法。


适读人群:


黎湘艳,盛大游戏数据分析专家,从2008年开始在盛大游戏从事数据分析工作,先后主持或参与50多款游戏的数据分析工作,主要产品有:《热血传奇》《传奇世界》《龙之谷》《永恒之塔》《最终幻想14》《血族》《超级地城之光》《Love Live》《城与龙》等。


叶洋,游卡桌游资深数据分析师,具有7年游戏行业数据分析、数据挖掘工作经验。


购买链接:

https://item.jd.com/12248029.html


推荐阅读:


【每周一本书】之《深入浅出强化学习:原理入门》:零起点入门掌握AlphaGo的核心强化学习算法


【每周一本书】之《从Excel到Power BI:商业智能数据分析》:让你摆脱数据搬运工,成为数据分析师


【每周一本书】之《深度学习入门与实践》


本书由 数据猿联合电子工业出版社 共同推荐


【本栏目合作伙伴】:清华大学出版社、电子工业出版社、北京师范大学出版社、中国人民大学出版社。


欢迎更多合作伙伴加入!也欢迎勾搭小编,微信:wmh4178,备注“书”



金猿榜往期的获奖名单,将会在峰会现场隆重发布,期待我们的见面?



游戏数据分析 变量选择 通过⽹络数据获取,得到游戏数据指标如下所⽰: 游戏数据分析的整体思路 第⼀步;数据⽂件获取(1.导⼊数据 2.查询结构 3.更改结构 4.汇总变量信息); 第⼆步;数据预处理(1.剔除缺失值2.变量转换与衍⽣ 3.读出处理好的数据观察和可视化4.汇总变量类型); 第三步;数据挖掘(1.逻辑回归 2. 决策树 3.随机森林 4.三种模型⽐较验证); 第四步;展⽰与解读(1.描述统计分析 2.描述及模型解读) 提出问题 (1)问题:游戏app是否⾼频使⽤⽤户的影响因素是什么? (2)游戏产品的⾼频使⽤⽤户的定义:是否游戏⾼频⽤户的定义:对游戏使⽤量进⾏中位数划分,如果⼤于中位数是⾼频⽤户,低于中位 数是低频⽤户 上述数据源可⽤于分析的问题⾯有: (0): ⾼频游戏⽤户和低频游戏⽤户的影响因素是什么 (1)⾼频⽤户集中的游戏平台有哪些 (2)⾼频⽤户集中的游戏类型是什么,可针对市场⾼频⽤户的喜好开发热款游戏 (3)⾼频⽤户集中的销售额主要占⽐市场,可考虑游戏产品的设计主要⾯向哪个市场 解决商务问题和业务决策的应⽤点有: (1)游戏投资商可对⾼频⽤户的游戏类型进⾏投资 (2)游戏产品的市场⾯对群体的普及主要针对哪个市场 (3)游戏产品的市场⾯对哪类游戏受喜好的⼈多 分析⽬标:⾼频游戏⽤户的影响因素是什么? 数据选择:2010~2016游戏数据 变量指标选择:游戏名称、平台名称、发布份、游戏类型、发布公司、北美销售额、欧洲销售额、⽇本销售额、其它地区销售额、全球销 售额、评价分数、游戏评价量、⽤户评分、游戏使⽤⼈数、游戏开发商。 变量相关性:选择分析变量相关性主要研究以下9个变量间的相关性情况: 北美销售额 欧洲销售额 ⽇本销售额 其它地区销售额 全球销售额 评价分数 评价量 ⽤户评分 ⽤户使⽤量 主要市场 通过分析得到,⽤户使⽤量和游戏评论量、评论分数,全球销售额存在相关。和其它地区的销售额⽆关,和⽤户的评分相关性较低。 得到相关系数图如下,其中除对⾓线以外,颜⾊越靠近深蓝⾊,表⽰相关性越强。其中⽤户使⽤量和⽤户得分与⽇本销售额相关性较低。其 余都存在⼀定程度的相关性。 ⽤户相关性计算,选择的是⽪尔逊相关系数,主要选择的是数值型数据进⾏相关性分析。 str(data) xgdata=sqldf("select NA_Sales,EU_Sales,JP_Sales,Other_Sales,Global_Sales,Critic_Score,Critic_Count,User_Score ,User_Count from data") str(xgdata) mf_cor=cor(xgdata)###求得相关系数 cor.plot <- corrplot(corr = mf_cor) 通过相关系数⾏最后⼀⾏的图形可以看出,⽤户是否⾼频使⽤情况和评论量有关,其次是评论⽤户数有⼀定的影响。 数据处理 1. 在Tableau和R中分析,哪些属性值可以不分析(删除) ⽆关变量: 游戏名称 /⽤户得分,这两个变量属性属于⽆关变量,可进⾏删除。 2. 哪些属性值需要派⽣ 研究对象为: (1)是否⾼频⽤户, 其中⾼频⽤户属于衍⽣变量,其定义为:对游戏⽤户使⽤量进⾏中位数划分,如果⼤于中位数是⾼频⽤户,低于中位 数是低频⽤户。 (2)游戏主要市场: 对北美、欧洲、⽇本,其它销售额进⾏⽐较判断,取最⼤的销售额作为主要市场,并以最⼤销售额的市场作为主要市 场。 3. 哪些属性值需要补充缺失值 其中缺失值不需要进⾏补充,由于数据的业务背景了解不够,仅只对数据中的缺失值进⾏删除。 4. 并将数据集分为"训练""测试""验证(如果必要的话)"三个⼦集。 数据训练集和测试集划分标准以0.8和0.2进⾏随机抽样,保证数据的⽆序抽取。划分代码如下: 其中处理数据的⽅法有随机森林,决策树、逻辑斯蒂回归, 模型精确度⽤AUC进⾏衡量,得到混淆矩阵,得出召回率,对⽐进⾏分析发现决策树模型效果较好。 使⽤测试集数据对综合预测模型,评估精确度、召回率。 模型的优化⽅法主要可在以下⼏个⽅⾯进⾏: 1. 获取更多的游戏指标数据 2. 对游戏数据的训练集样本增加,保证模型的训练精度 glm.full=glm(High_frequency_usage~.,family=binomial(link="logit"),data_train) glm.null=glm(High_frequency_usage~1,family=binomial(link="logit"),data_train) summary(glm.full) glm.aic=step(glm.full,trace=F,test="LRT") summary(glm.aic) glm.bic=
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值